Tensorflow实战google深度学习框架代码学习五（滑动平均模型的应用）

2023年4月23日 160次阅读 来源: Carson

关于为什么使用滑动平均模型？1.使用最后滑动平均模型技术更新后的变量（权值，偏置），可以使最后训练的模型在测试数据上表现的更加健壮。为什么会更加健壮呢？因为可以降低周期性不稳定数据和一些数据噪声的影响（什么是数据噪声呢，也就是异常的数据）。仔细想一下，滑动平均我们可以相称每次更新后取的是变量的平均值，所以数据噪声，或者周期性变动很大的数据会被平均下来，但是异常数据毕竟少数，所以我们可以预测整体趋势，所以会在测试数据上表现的更加健壮。

#滑动平均模型的运用
import tensorflow as tf 

a = tf.Variable(0,dtype=tf.float32)
step = tf.Variable(0,dtype=tf.float32 )#模拟实际训练模型的步数

ema = tf.train.ExponentialMovingAverage(decay=0.99,num_updates=step)#返回一个滑动平均对象
op = ema.apply([a])#对a使用滑动平均

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run([a,ema.average(a)]))#ema.average(a)返回在a上使用滑动平均后的值，也就是在使用过后apply（）函数后的值
    
    #滑动平均模型计算的公式=decay*shawdow_variable+(1-decay)*variable   decay=min{0.99,(1+step)/(10+step)}
    #为a赋值5  ema.average(a)= 0.1*0+0.9*5=4.5 根据上面公式decay=0.1
    sess.run(tf.assign(a,5))
    sess.run(op)
    print(sess.run([a,ema.average(a)]))
    
    #ema.average(a)=0.99*4.5+0.01*10=4.5549998 根据上面公式decay = 0.99111111111
    sess.run(tf.assign(step,10000))
    sess.run(tf.assign(a,10))
    sess.run(op)
    print(sess.run([a,ema.average(a)]))

结果：

[0.0, 0.0]
[5.0, 4.5]
[10.0, 4.5549998]

    原文作者：Carson
    原文地址: https://zhuanlan.zhihu.com/p/36946985
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞